Архипов Дмитро Сергійович

Реферат за темою магістерської роботи

Актуальність

Сучасні засоби обчислювальної техніки надають широкі функціональні можливості, що дозволяє застосовувати їх у різних областях. Впровадження математичних методів, засобів обчислювальної техніки і нових інформаційних технологій збільшують можливості діагностики в медицині, де обробка отриманих даних подекуди й досі ведеться вручну.
Актуальною проблемою в області медицини є діагностика та лікування новоутворень печінки. В наш  час  комп’ютерна томографія займає одне з перших місць в області діагностики внутрішнього стану людини. Велика частина функціональних кабінетів лікарень використовують томографи, за допомогою яких можна отримати знімки внутрішніх органів. Подальшу обробку цих знімків приходиться виконувати висококваліфікованому медичному персоналу. Це спричиняє великі витрати часу і засобів. Також не завжди обробка й аналіз обстеження виконується в потрібний термін по тим чи іншим причинам. Тому автоматизація процесу обробки таких досліджень відіграє важливу роль у клінічній практиці. В цьому і полягає необхідність створення спеціалізованої комп’ютерної системи.

Рис 1. Процесс зняття томограмми з печінки.

(Анимація, об'ем: 34кб, кількість циклів повторення: 7, розмір: 200х164 рх)

Для полегшення завдання лікарям, а також для більш ранньої діагностики необхідна комп'ютерна система діагностики зі спеціальним програмним забезпеченням, що дозволить визначити певний тип новоутворень, а також їх розміри. Це надасть можливість лікарю точніше оцінити розміри новоутворень, прискорити процес лікування. Система покращить якість дослідження, надасть можливість швидко та зручно обробляти інформацію, вести облік всіх пацієнтів, зберігати діагнози, оброблені знімки, контролювати процес навіть некваліфікованому фахівцю, і крім того не вимагає великих економічних витрат.
Таким чином, розробка СКС даного типу є актуальною задачею.

Мета i завдання роботи

Обробка томограмм новотворів печінки буде здійснюватися за допомогою математичних методів. Програма повинна буде здійснювати фільтрацію зображення, регулювання яскравості й контрастності, а також оконтуривание й виділення об'єктів. Далі буде проводитися розрахунки параметрів об'єктів (їх розміри, площа, число об'єктів, їх яскравість) і припустити, чи є ці об'єкти новотворами і якщо так те якими. Для визначення типу новотворів, необхідно досліджувати яку яскравість мають ті або інші новотвори на томограмме. У цім питанні потрібна допомога лікарів і інженерів, що працюють із комп'ютерними томографами. Постановка діагнозу буде здійснюватися за результатами досліджень і аналізів.

Характеристика комп'ютерної томографії

Методика проведення комп'ютерної томографії. Одержання комп'ютерної томограммы (зрізу) необхідного ділянки тіла на обраному рівні ґрунтується на виконанні наступних операцій: -формування необхідної ширини рентгенівського променя (коллимирование); -сканування необхідного ділянки тіла пучком рентгенівського випромінювання, здійснюваного рухом (обертальним і поступальним) навколо нерухливого тіла пацієнта обладнання "випромінювач - детектори" -вимір випромінювання й визначення його ослаблення з наступним перетворенням результатів у цифрову форму; -машинний (комп'ютерний) синтез томограммы по сукупності даних виміри, що ставляться до обраного шару; -побудова зображення досліджуваного шару на екрані монітора.

2. Переваги використання комп'ютерної томографії КТ дозволяє судити не тільки про стан досліджуваного органа, але й про взаємовідношення патологічного процесу з навколишніми органами й тканинами, наприклад інвазії пухлини в сусідні органі, наявність інших патологічних змін; КТ дозволяє одержати томограммы, тобто поздовжнє зображення досліджуваної області на зразок рентгенівського знімка шляхом переміщення хворого уздовж нерухливої трубки. Томограммы використовуються для встановлення довжини патологічного вогнища й визначення кількості зрізів.

Огляд існуючих методів обробки томограмм

Даний напрямок досліджень є відносно новим і до кінця не розробленим. У програмних продуктах, розроблених на даний момент, виконується тільки обробка зображення, яка обмежується фільтрацією, регулюванням яскравості й контрастності. При цьому дані програмні продукти не здійснюють оконтуривание й виділення об'єктів. Усе це лікар змушено здійснювати вручну, що спричиняє збільшення часу обробки томограмм. Цю проблему я спробую розв'язати за рахунок створення програмного продукту, здатного за допомогою математичних методів виділити на наявної томограмме об'єкти, визначити їхні параметри (розміри, площа, число об'єктів, їх яскравість) і припустити, чи є ці об'єкти новотворами і якщо так те якими.

Ще одним важливим напрямком досліджень в області обробки томограмм є створення автоматизованих систем одержання діагнозу на підставі даних обстежень і аналізів. Проблема тут у тому, що алгоритми діагностування новотворів ще не автоматизовані. Розглянемо основні методи обробки изображний, використовувані в існуючих системах обробки томограмм.

Фільтрація зображення на основі вейвлет- перетворень

Селективна вейвелет - реконструкція Вейвелет - теорія була значною мірою вивчена в останні роки як багатообіцяючий інструмент у стиску зображення й скороченні шуму. У їхніх роботах, Donoho і Johnstone розбудовували теоретичну структуру дискретного вейвелет - перетворення для оцінки сигналів, перекручених аддитивным білим Гауссовским шумом. Принцип, називаний селективна вейвелет - реконструкція запропонований, і показаний для приведення до асимптотически оптимальним оцінкам для широкої різноманітності сигналів. Припустимо, що ми маємо перекручений сигнал yi=xi+ni Гауссовский шум N(0 σ2) Ціль полягає в тому, щоб відновити оптимальний оцінювач xi для бажаного сигналу xi, який приводить мінімальне значення квадрата помилки. Схема селективної вейвелет- реконструкції ілюстрована на рис 2.

Рис 2: Блок-схема для схеми придушення шуму, заснованої на дискретному вейвелет - перетворенні. Перекручене зображення спочатку перетворене до ряду вейвелет - коефіцієнтів, тобто ,w=W(y)=?+z., де ? і z - коефіцієнти, відповідні до бажаного сигналу й шуму. Процес граничної обробки далі застосований до вейвелет - коефіцієнтам, тобто ?=Ті(w) , де t - граничне значення. Нарешті, інверсне перетворення коефіцієнтів, подвергшихся граничній обробці, що приводить оцінювач x=W-1(?) Зміст цього підходу - те, що сусідні пиксели показують високу кореляцію, яка переводиться тільки в трохи більших вейвелет - коефіцієнтів. З іншого боку, шум рівномірно розподілений серед коефіцієнтів і взагалі на загал маленький. ІЗ правильно обраним значенням порога шум може бути ефективно подавлений. Оптимальне значення порога t=σ 2log(N) (1) де N - розмір блоку у вейвелет - перетворенні.

Надлишкове дискретне вейвелет - перетворення Тому що дискретне вейвелет - перетворення не постійна зміна, робота з усунення шуму могла б значно змінитися, змінюючи початкове переміщення, це також приводить до деяких ефектів блоків у вихіднім зображенні. Сталість зміни, однак, може бути досягнуте обчисленням вейвелет - перетворення всіх змін і виконанням граничного правила на кожному переміщеному блоці. Отриманий метод називають надлишкове дискретне вейвелет - перетворення. Алгоритм наступний: 1.Виконаєте усунення шуму на блоці розміру N на основі дискретного вейвелет - перетворення. 2.Додайте дані без шуму до відповідного до положення вихідного зображення, і порахуйте число даних для кожного зразка. 3.Перемістите вікно горизонтально й вертикально, повторите крок 1 і 2, поки всі блоки в зображенні не вичерпані. 4.Розділите кожний вхід у вихідне зображення на число повторень. У нашому алгоритмі, ми вибираємо N=8, і застосовуємо, або перетворення Хаара, або дискретне косинусное перетворення у якості бази перетворення. Строго говорячи, ДКП не вейвелет - перетворення, воно обране через його гарну властивість ущільнення енергії так, щоб бажаний сигнал перебуває тільки в декількох положеннях у перетвореній області, таким чином, приводячи до менших артефактів граничної обробки. Експерименти показують, що ці два перетворення проводять порівнянну роботу. Тверде й м'яке граничне правило обоє застосовані. Відзначимо, що оптимальна величина порога для м'якого граничного правила отримана згідно минимаксному критерію, який має на увазі, що можливість поліпшення роботи з усунення шуму використовуючи різні значення порога для специфічних зображень і перетворень.

Медіанний фільтр

Медіанний фільтр на відміну від фільтра, що згладжує, реалізує нелінійну процедуру придушення шумів. Медіанний фільтр являє собою ковзне що ковзає,змінне по полю зображення вікно W, що охоплює непарне число отсчетов. Центральний відлік заміняється медіаною всіх елементів зображення, що потрапили у вікно. Медіаною дискретної послідовності x1 , x2 , ..., xl для непарного L називають такий її елемент, для якого існують (L - 1)/2 елементів, менших або рівних йому по величині, і (L - 1)/2 елементів, більших або рівних йому по величині. Інакше кажучи, медіаною є середній один по одному член ряду, що виходить при впорядкуванні вихідної послідовності. Двовимірний медіанний фільтр із вікном W визначимо в такий спосіб:

Фільтр, що як і згладжує, медіанний фільтр використовується для придушення аддитивного й імпульсного шумів на зображенні. Характерною рисою медіанного фільтра, що відрізняє його від, що згладжує, є збереження перепадів яскравості (контурів). При цьому якщо перепади яскравості великі в порівнянні з дисперсією аддитивного білого шуму, те медіанний фільтр дає менше значення СКО в порівнянні з оптимальним лінійним фільтром. Особливо ефективним медіанний фільтр є у випадку імпульсного шуму. У загальному випадку для придушення групи імпульсних перешкод розміри вікна повинні бути щонайменше вдвічі більше розмірів групи перешкод. Серед медіанних фільтрів з вікном 3х3 найпоширеніші наступні:

Координати представлених масок означають, скільки раз відповідний пиксел входить в описану вище впорядковану послідовність. Різновидом медіанного фільтра є метод, що пригнічує імпульсний шум і в той же час, що мінімально змінює значення яскравості на вихіднім зображенні, полягає в заміні яскравості пикселов локальних максимумів на локальне максимальне значення яскравості між границями й заміні пикселов локальних мінімумів на локальне мінімальне значення між границями:

вихідна інтенсивність пиксела й; Р'(і) - нове значення інтенсивності пиксела й. Рівняння (1) представляє мінімум з k пикселов, рівняння (2) - максимум з k пикселов.[7]

Виявлення контурів об'єкта

Для визначення характеристик об'єктів зображення попередньо необхідно відокремити їх від тла, тобто знайти їхні границі. Ці границі являють собою криві на зображенні, уздовж яких відбувається різка зміна яскравості або її похідних по просторових змінних. Потрібно локалізувати місця розривів яскравості або її похідних, щоб довідатися щось про их властивості, що викликали, зображуваного об'єкта. Краєм називається границя між двома областями, кожна з яких має рівномірну яскравість. Крапка вважається приналежної контуру, якщо одночасно виконуються дві умови: 1. Ця крапка належить об'єкту; 2.Ця крапка має хоча б одну сусідню крапку, яка не належить об'єкту.

Висновок

Узагальнюючи роботи дослідників, що займаються обробкою томограмм, можна сказати, що на сьогоднішній день основний натиск робиться на підвищення якості зображення, а саме, фільтрації, контрастуванню томограмм. Але при цьому не приділяється увага пошуку об'єктів на зображенні. Процес ручної обробки томограмм у цей час є великою проблемою, тому що приводить до більших витрат часу й відповідно знижує пропускну здатність кабінетів комп'ютерної томографії. У своїй роботі я вибрав найбільш оптимальні методи контрастування й фільтрації з тих, які використовуються у вже існуючих системах обробки томограмм. Використовуючи методи бинаризации й оконтуривания, я виділяю на томограмме об'єкти, визначаю їхні розміри й площа. На підставі даного підходу, розробляється комп'ютерна система, заснована на нейросетевом моделюванні. Створена нейронна мережа, здатна адекватно реагувати на вхідні впливи й забезпечувати постановку діагнозу новотворів печінки, що доводить правильність обраного методу. Реалізований програмний продукт буде містити в собі досвід і знання провідних спеціалістів у цій області. Таким чином, використання нейронних мереж при обробці комп'ютерних томограмм новотворів печінки дозволить створити ефективну СКС.

Список літератури

1. Габуния Р.И. «Компьютерная томография в клинической диагностике»

2. Бобровнік Ю. «Сучасні програми постпроцесінгу та їх можливості»

3. Zeyun Yu, Chandrajit Bajaj «A fast and adaptive method for image contrast enhancement»

Исходный URL: http://ccvweb.csres.utexas.edu/cvc/papers/ICIP04.pdf

4. Зонневельд Ф.В. «Общая характеристика компьютерной томографии»

5. Лекции по обработке изображений http://graphics.cs.msu.ru/courses/cg02b/lectures/lection5/sld019.htm

6. Воскобойников Ю.Е. Касьянова С.Н., Кисленко Н.П.,Трофимов О.Е. «Использование алгоритмов нелинейной фильтрации для улучшения качества восстановленных томографических изображений»

7. Жирнов В.Т., Смирнов К.К., Трофимов О.Е. «О численных методах решения задач томографии»

8. Воскобойников Ю.Е. Колкер А.Б. «Адаптивный алгоритм фильтрации изображений и преобразования их в векторный формат»

9. Колкер А.Б. «Взвешенные и рекурсивные алгоритмы векторной медианной фильтрации»